Vita
A BMDP illeszkedő rutin nyújt pontos értékeket (általában belül 6%), mind időben állandók, a relatív legjelentősebb a három komponens disztribúciók, feltéve, hogy a köztes alkatrész képviseli legalább 4-5% – a 1500 adatok pontot. Bár egy kis köztes komponensre vonatkozó egyedi becslések jelentős szórást mutatnak, az átlagos értékek továbbra is az igazak 6% – án belül vannak.,
Az egyes illesztések változékonyságának egy része a szimulált adatokban rejlő következetlenségekből származhat. Az Ai = 5% – nál a közbenső komponens 1500-ból csak 75 pontot tartalmazott. Mivel az exponenciális eloszlás szórása megegyezik az átlagával, a 75 pont valójában nem megfelelő mintaméret az exponenciális eloszláshoz. Bár a BMDP-rutin által generált illesztett értékek néha eltértek az eszközöktől, az illesztett értékek következetesen magasabb likelihoodokat produkáltak, mint az átlagos értékek, a valószínűségi függvény független számításával meghatározva., Ez a megállapítás azt jelzi, hogy a rutin helyesen működött azáltal, hogy konvergált azokhoz az értékekhez, amelyek maximalizálták a valószínűséget.
az exponenciálok összege szerinti eloszlások illesztésével kapcsolatos egyik probléma az adatok leírásához szükséges összetevők számának meghatározása. Például egy kétkomponensű valószínűségi sűrűség függvény megfelelőnek tűnhet egy háromkomponensű Eloszlás illesztéséhez, amelyben egy közbenső komponens csak az adatpontok 3-4% – a., Az illesztés jóságának és a szükséges komponensek számának vizuális meghatározása nem mindig kielégítő, és következetlenségeket okozhat az adatelemzésben.
több vizsgálatot javasoltak a különböző modellek megfelelőségének összehasonlítására és a disztribúció leírásához szükséges összetevők számának meghatározására. Ezek a tesztek a log valószínűségi arányon (LLR) vagy a különböző modellekhez való illesztéssel kapott maximális likelihoodok közötti arány logaritmusán alapulnak, mint például azok, amelyek két – vagy háromkomponensű eloszlást jósolnak., Az LLR megegyezik a két illesztés VESZTESÉGFÜGGVÉNYEI közötti különbséggel.
amikor a modelleket beágyazják, az LLR kétszerese egy χ2 eloszlással rendelkezik, amelynek szabadsági foka megegyezik a bonyolultabb modell további paramétereinek számával (4, 11). 2 fok, a szabadság, a valószínűség-arány teszt kedvez a három komponens fit (öt független paraméterek) több mint két komponens fit (három független paraméterek) a 0,05 szinten jelentősége, amikor a LLR több, mint 3.,
a fittség egyéb tesztjei olyan kifejezéseket tartalmaznak, amelyek büntetik a modellt a további komplexitás érdekében. Az Akaike információs kritérium (AIC) (12) kimondja, hogy a legalacsonyabb AIC-vel rendelkező modell a jobb modell. AIC = – L + P, ahol L a maximális log valószínűség, P pedig a modellben lévő független paraméterek száma. A háromkomponensű illeszkedés előnyben részesülne egy kétkomponensű illesztésnél, ha az LLR több mint 2.
hasonló módszert javasolt Schwarz (13). A Schwarz-kritérium (SC) – L + , ahol N a tartózkodási idő teljes száma., Ha N = 1500, akkor egy háromkomponensű illesztést csak akkor választanak ki kétkomponensű illesztésnél, ha az LLR több mint 7, 3-mal különbözik.
a szimulált adatok, amelyben Ai volt, 5% – os valószínűség szerint arányok kétkomponensű, szemben a három komponens illik átlagosan 9.2 ± 2.6 (±SD) az öt adatok alapján. Mindhárom teszt ezt jelentős különbségnek tartja, és azt jelzi, hogy a komplex modell előnyösebb. Amikor az Ai 2% volt, a valószínűségi arányok átlaga 2, 2 ± 1, 8 volt. Csak az AIC előnyben részesítené a háromkomponensű illeszkedés kiválasztását.,
adatkészleteket, amelyekben az Ai-t 3 vagy 4% – os köztes értékekhez rendelték, szintén tesztelték annak meghatározására, hogy a BMDP program képes volt-e észlelni egy harmadik komponenst, amikor jelentős javulást eredményezett az illesztésben. A két adatkészlet esetében, amelyek három komponenst tartalmaznak, amelyek csak kétkomponensű disztribúcióként illeszkednek, az LLR-ek 2.4 és 2.0 voltak. Csak az AIC javasolja, hogy az LLRs jelentős különbségeket jelezzen. Az AI = 4% esetében az LLR átlagosan 6,0 ± 5,2, az Ai = 3% esetében pedig 4,2 ± 2,6 volt.,
mind az LLR, mind az SC tesztek azt sugallják, hogy a BMDP program képes volt megoldani egy harmadik komponenst az eloszlásban, amikor a háromkomponensű illeszkedés jelentős javulást jelentett a kétkomponensű illesztésnél. Azon adatkészletek esetében, amelyekben a háromkomponensű illesztési rutin csak két időállandót eredményezett, a két illeszkedés közötti különbség nem volt jelentős.
természetesen az itt leírt értékelés valóban csak a program tesztelésének feltételeire vonatkozik. A Program pontossága, felbontása kevesebb adatponttal csökken., A szimulált adatokat azonban úgy tervezték, hogy meglehetősen szigorú tesztet biztosítsanak a szerelési rutinról. Két alkalommal állandók voltak elválasztva a tényező csak 5; tf csak 5-ször, tmin, ami azt jelenti, hogy 18% – a az adatokat, ez a komponens kizárták elemzés; minden adatsor állt csak a 1500 pontokat, amelyek egy viszonylag kicsi, de reális minta mérete.
bizonyos korlátozásokat szem előtt kell tartani, azonban a kinetikus modellek összehasonlításakor a program által végrehajtott illesztések alapján., Bár a maximális valószínűségi becsléseket részben korrigálták egy bizonyos időtartamnál rövidebb kihagyott eseményekre tmin, a jelentős korlátozások továbbra is vonatkoznak az olyan adatok értelmezésére, amelyek rendkívül gyors összetevőt tartalmaznak, amelynek időállandója nem sokkal nagyobb, mint a tmin.
az elfogultság egyik lehetséges forrása, amelyet itt nem veszünk figyelembe, a mintavételi promóciós hiba, amely akkor fordul elő, amikor a számítógép által használt analóg-digitális mintavételi arány összehasonlítható az esemény időtartamával (6, 14)., Az adatok diszkrét időközönként történő mintavételének az a hatása, hogy az adatokat tartályokba kombinálják, mivel a tartózkodási idő csak a mintavételi intervallum többszöröseként fejezhető ki. Ezek a tartályok átfedésben vannak, és a T mintavételi intervallumként mért esemény tényleges időtartama valójában bárhol lehet – 1-től t + 1-ig. Például egy 50 µsec/pont mintavételi intervallum azt jelenti,hogy a 100 µsec időtartamú várakozási idő valójában bárhol lehet 50-150 µsec hosszú. Az egyes binekben mért tartózkodási idők száma tehát nagyobb lesz, mint a valódi szám, vagy támogatni fogják., Ez a hatás a legjelentősebb, ha a mintavételi időszak az eloszlás időállandójának jelentős töredéke.
McManus et al. (6) kifejezett kifejezéseket adtak meg a mintavételi promóciós hibák valószínűségének kijavítására (Lásd még Ref. 14). Arra a következtetésre jutnak, hogy a hibák a maximum likelihood becslés időben állandók összegeket exponentials lesz jelentős, ha a mintavételi időszak volt nagyobb, mint 10-20% – a leggyorsabb időt állandó tekinthető meg. Az itt bemutatott módszerek nem tartalmaznak javításokat a mintavételi promóciós hibákhoz.,
a korábban nem említett másik típusú hibát olyan események okozzák, amelyek észrevétlenül haladnak át, mert gyorsabbak, mint a tmin. A kihagyott zárt idők miatt a csatorna nyílásai túl hosszúnak tűnnek, mivel két szomszédos nyitó esemény egyetlen hosszú eseményként jelenik meg. Hasonlóképpen, a nem fogadott nyílások tévesen okozzák a zárt időtartamok hosszú mérését, mivel két szomszédos zárt idő egyetlen hosszú zárt időként jelenik meg. Az ilyen kihagyott események korrekciója modellfüggő, és meglehetősen bonyolult lehet (15, 16)., A korrekció azon útvonalak számától függ, amelyeken keresztül a csatorna átmenetet hajthat végre az egyik állapotból a másikba, valamint az államok közötti átmenet sebességállandóinak relatív nagyságától. Az ilyen elmulasztott események kijavításának elmulasztása jelentős hibákat vezethet be az államok közötti sebesség-állandók becsléseibe.
feltéve, hogy ezeket a korlátozásokat figyelembe vesszük, a BMDP illesztési rutin kényelmes módszert biztosít az egycsatornás várakozási idő eloszlások időállandóinak és relatív amplitúdóinak generálására.